Penerapan Algoritma Convolutional Neural Network Dalam Klasifikasi Telur Ayam Fertil Dan Infertil Berdasarkan Hasil Candling

Jurnal Informatika Universitas Pamulang ISSN: 2541-1004
Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615

Vol. 5, No. 4, Desember 2020 (563-571) 10.32493/informatika.v5i4.8556
Penerapan Algoritma Convolutional Neural Network dalam Klasifikasi Telur

Ayam Fertil dan Infertil Berdasarkan Hasil Candling
Muhammad Rizky Firdaus
Fakultas Industri Kreatif dan Telematika, Universitas Trilogi, Jl. Duren Tiga Timur No.30 Kota
Jakarta Selatan, Indonesia, 12760
e-mail: rizkyfirdaus0309@gmail.com
Submitted Date: December 25th, 2020 Reviewed Date: December 31th, 2020
Revised Date: December 31th, 2020 Accepted Date: January 05th, 2021
Abstract
Fertile chicken eggs are eggs that can hatch because these eggs have a development in the form of
dots of blood and blood vessels or can be called an embryo, while infertile chicken eggs are a type of egg
that cannot be hatched because there is no embryo development in the hatching process. Inspection of
infertile chicken eggs must be carried out especially for breeders who will carry out the selection and
transfer of fertile chicken eggs and infertile chicken eggs. However, currently, the selection of fertile and
infertile chicken eggs is still using a less effective way, namely only by looking at the egg shell or called
candling, this process is certainly less accurate to classify which eggs are fertile and infertile eggs because
not all breeders are able to see the results of the eggs properly. candling so that the possibility of prediction
errors. Therefore, in this study, a classification of fertile chicken eggs and infertile chicken eggs will be
carried out based on candling results using the Convolutional Neural Network method. From the results of
the classification carried out, the percentage of accuracy obtained for the classification of fertile and infertile
chicken eggs is 98% and an error of 5%.
Keywords: Fertile Eggs; Infertile Eggs; Convolutional Neural Network; Deep Learning
Abstrak
Telur fertil merupakan telur yang dapat menetas karena pada telur ini terdapat suatu perkembangan
yang berbentuk nokta darah atau bisa disebut sebagai embrio sedangkan Telur ayam infertil merupakan
jenis telur yang tidak dapat ditetaskan karena tidak adanya perkembangan embrio pada proses penetasan.
Pemeriksaan telur ayam infertil harus dilakukan terutama bagi para peternak yang akan melakukan
penseleksian serta pemindahan mana telur ayam fertil dan telur ayam infertil. Namun, saat ini penseleksian
telur ayam fertil dan infertil ini masih menggunakan cara yang kurang efektif yaitu hanya dengan
meneropong cangkang telur atau disebut dengan candling proses ini tentunya kurang akurat untuk
mengklasifikasikan mana telur fertil dan telur infertil karena tidak semua peternak mampu melihat dengan
baik hasil dari candling tersebut sehingga kemungkinan terjadinya kesalahan prediksi. Dari permasalahan
tersebut, maka dalam penelitian ini akan dilakukan klasifikasi telur ayam fertil dan telur ayam infertil
berdasarkan hasil candling dengan metode Convolutional Neural Network. Dari hasil klasifikasi yang
dilakukan, persentase akurasi yang didapatkan untuk klasifikasi telur ayam fertil dan infertil adalah 98%
dan error sebesar 5%.
Kata Kunci: Telur Fertil; Telur Infertil; Convolutional Neural Network; Deep Learning
1. Pendahuluan membuat banyak masyarakat Indonesia menyukai

Salah satu sumber makanan yang sering sumber makanan ini. Telur ayam adalah salah satu
dikonsumsi di Indonesia yaitu telur. Karena nilai telur yang sering dikonsumsi oleh beberapa
gizi yang dikandung oleh telur ini sangat masyarakat Indonesia. Bahkan, hampir seluruh
bermanfaat dan harga yang relatif lebih murah kalangan mengkonsumsi telur jenis ini karena
http://openjournal.unpam.ac.id/index.php/informatika 563
relatif lebih murah dan mudah untuk diperoleh melihat dengan baik hasil dari candling tersebut
selain itu juga telur ini memiliki nilai gizi yang baik sehingga kemungkinan terjadinya kesalahan
(Maimunah & Rokhman, 2018). Jenis penghasilan prediksi. Dengan menerapkan Algoritma
telur ini dibagi menjadi dua kelompok yaitu telur Convolutiunal Neural Network penseleksian
yang dapat ditetaskan (fertile) dan telur yang tidak tersebut dapat dilakukan secara lebih efektif
dapat ditetaskan (infertile). Telur fertil merupakan sehingga membuat para peternak telur ayam lebih
telur yang dapat menetas karena pada telur ini mudah untuk melakukan penseleksian.
terdapat suatu perkembangan yang berbentuk nokta Penseleksian dilakukan dengan cara meneropong
darah atau bisa disebut sebagai embrio (Nurdiyah cangkang telur kemudian mengolah hasil
& Muwakhid, 2016). Telur fertil ini dapat menetas peneropongan tersebut menggunakan Algoritma
karena di dalam telur tersebut memiliki sperma dari Convolutional Neural Network dengan beberapa
ayam jantan sehingga telur-telur fertil ini bisa dataset yang sudah dikumpulkan melalui studi
untuk dikonsumsi maupun ditetaskan. Jika telur lapangan metode ini mampu untuk mengklasifikan
fertil ini dierami dengan suhu yang tepat maka telur ayam fertil dan telur ayam infertil.
kemungkinan besar telur ini akan menetas. Namun,
tidak semua jenis telur fertil ini dapat menetas 2. Tinjauan Pustaka
karena untuk proses penetasan ini telur harus Dalam penelitian dibutuhkan dukungan
melalui proses inkubasi selama beberapa jam lalu penelitian dari penelitian sebelumnya. Penulis telah
disimpan pada suhu yang tepat agar embrio mengumpulkan tiga literatur yang berhubungan
berkembang dan kemudian menetas. Telur fertil dengan penelitian ini. Penelitian (Arini, Ubaidillah,
biasanya akan menetas selama kurang lebih 21 hari. Wibisono, & Ulum, 2020). Dalam penelitian ini
Agar terhindar dari berbagai bakteri dan penyakit dijelaskan bahwa untuk meningkatkan persentase
pada telur fertil ini, penetasan telur membutuhkan dalam proses penetasan telur dibutuhkan suatu
benih berkualitas agar ayam yang menetas dapat penanganan yang dapat memisahkan mana telur
sehat dan tahan terhadap penyakit (Diantoro & fertil dan mana telur infertil. Penanganan yang
Santoso, 2017). Sedangkan telur infertil merupakan dilakukan untuk pemisahan telur tersebut dapat
jenis telur yang tidak dapat ditetaskan karena tidak dilakukan dengan proses candling atau
adanya perkembangan embrio pada proses peneropongan telur. Hasil dari penelitian ini adalah
penetasan. Pada Dasarnya telur ini juga dibuahi sebuah sistem yang dapat mengidentifikasi telur
oleh jantan namun ketika proses penetasan, telur yang fertil dan telur infertil. Metode yang
jenis ini ternyata tidak dapat menetas (ISNAWATI, digunakan dalam penelitian ini adalah Image
2018). Meskipun telur fertil dan telur infertil dapat Processing. Terdapat perbedaan dengan penelitian
dikonsumsi, hasil telur dari kedua proses ini yang dilakukan Nur Farida Arini, Achmad
terdapat beberapa perbedaan yaitu; menurut Ubaidillah, Kunto Aji Wibisono dan Miftachul
penelitian (Nawawi, Rahmad, & Syahputra, 2015) Ulum dengan penelitian yang dilakukan saat ini
dijelaskan bahwa telur infertil bisa menjadi tempat yaitu metode yang digunakan peneliti saat ini
berkembang biak jamur hal tersebut disebabkan adalah Algoritma Convolutional Neural Network
karena terdapat perbedaan suhu pada telur dan suhu meskipun metode ini sama dengan Image
yang diwakili oleh termometer inkubator, telur Processing namun arsitektur yang diterapkan
infertil biasanya akan lebih cepat membusuk berbeda dan juga pada penelitian saat ini belum ada
daripada telur fertil, karena kontaminasi jamur atau sistem yang dapat digunakan untuk melakukan
bakteri yang ada pada telur infertil dapat klasifikasi telur fertil dan telur infertil. Penelitian
menghasilkan tekanan yang memungkinkan telur (Prasmatio, Rahmat, & Yuniar, 2020). Dalam
tersebut pecah di inkubator. Pemeriksaan telur penelitian ini dijelaskan bahwa jumlah pakar ikan
ayam infertil harus dilakukan terutama bagi para yang ada di Indonesia tidak mencukupi untuk
peternak yang akan melakukan penseleksian serta melakukan identifikasi ikan yang ada Indonesia.
pemindahan mana telur ayam fertil dan telur ayam Oleh sebab itu dibutuhkan suatu sistem yang dapat
infertil. Namun, saat ini penseleksian telur ayam membantu para pakar tersebut dalam
fertil dan infertil ini masih menggunakan cara yang mengidentifikasi jenis ikan. Sistem identifikasi ini
kurang efektif yaitu hanya dengan meneropong akan menerapkan Algoritma Convolutional Neural
cangkang telur atau disebut dengan candling proses Network dalam proses identifikasinya. Hasil dari
ini tentunya kurang akurat untuk penelitian ini adalah suatu sistem yang dapat
mengklasifikasikan mana telur ayam fertil dan telur mempermudah para pakar ikan dalam
ayam infertil karena tidak semua peternak mampu mengidentifikasi jenis-jenis ikan yang ada di
Indonesia. Perbedaan penelitian yang dilakukan R. Perceptron yang dirancang untuk

Mehindra Prasmatio, Basuki Rahmat, Intan Yuniar pengolahan data berbentuk dua dimensi.
dengan penelitian saat ini adalah penerapan dari
metode yang dilakukan, digunakan untuk
mengidentifikasi jenis-jenis ikan yang ada di
Indonsia dan pada penelitian saat ini metode
diterapkan dalam mengklasifikasi jenis telur fertil
dan telur infertil. Penelitian (Nurdiyah, Santosa, &
Pramunendar, 2015). Dalam penelitian dijelaskan Gambar 1. Proses Convolutional
bahwa pengujian fertilitas telur masih banyak yang Neural Nework
menggunakan cara konvensional yaitu dengan
memanfaatkan proses candling atau peneropongan, Algoritma Covolutional Neural Network
sehingga membuat waktu yang lama untuk lebih banyak diimplementasikan pada
pemrosesan tersebut. Dari permasalahan tersebut pengolahan data citra (Putra, 2016). Dalam
penelitian ini memberikan solusi dengan Algoritma Convolutional Neural Network
menggunakan teknologi Computer Vision yang setiap neuron dipresentasikan dalam bentuk
dapat mengenali objek berdasarkan ciri-ciri dari dua dimensi, cara kerja tersebut hampir
objek tersebut sehingga dapat diklasifikasikan. mirip pada Multilayer Perceptron
Hasil dari penelitian ini adalah sebuah teknologi perbedaannya yaitu pada Multilayer
yang dapat mempermudah untuk melakukan Perceptron neuron dipresentasikan dalam
pengujian fertilitas telur dengan menerapkan bentuk ukuran satu dimensi. Algoritma
metode Support Vector Machine. Perbedaan Convolutional Neural Network mempunyai
penelitian yang dilakukan dengan penelitian saat beberapa layer yang mana layer tersebut
ini adalah metode yang diterapkan dalam nantinya digunakan untuk melakukan
klasifikasi telur fertil dan infertil. Pada penelitian filtering pada setiap proses komputasinya,
Dewi Nurdiyah, Stefanus Santosa, Ricardus Anggi proses tersebut dinamakan training.
Pramunendar menerapkan Support Vector Machine Algoritma CNN ini terdiri dari tiga jenis
sedangan penelitian saat ini menggunakan layer yaitu; Convolutional Layer, Pooling
Convolutional Neural Network. Layer dan Fully Connected Layer, ketika
layer ini telah ditumpuk menjadi satu
3. Metodologi Penelitian arsitektur, Algoritma CNN telah terbentuk
Metode penelitian yang dilakukan yaitu dengan (O’Shea & Nash, 2015). Proses dari tiga
mengumpulkan beberapa sumber literatur dari arsitektur tersebut dapat dilihat pada gambar
penelitian terkait melalui jurnal. Selanjutnya adalah 1.
pengambilan sampel data dari telur fertil dan
infertil. Lalu mengaplikasikan metode Algoritma 1) Convolutional Layer
Convolutional Neural Network untuk Convolutional layer melakukan
mengklasifikasikan telur fertil dan telur infertil. operasi konvolusi, yaitu mengubah
A. Pengumpulan Data Telur input menjadi feature maps dengan
Pengumpulan data telur dilakukan melakukan operasi dot antara matriks
dengan pengambilan gambar hasil input dengan filter (Wulandari, Yasin,
penoropongan telur di lapangan. Data-data & Widiharih, 2020). Filter ini memiliki
yang telah didapatkan tersebut nantinya akan ukuran height (panjang), width (lebar),
digunakan untuk proses klasifikasi heavy (tebal) tertentu. Berikut adalah
menggunakan Algoritma Convolutional gambaran dari proses Convolutional
Neural Network. Layer.
B. Algoritma Convolutional Neural Network
Convolutional Neural Network
(CNN) adalah algoritma yang termasuk
dalam jenis Deep Neural Network, karena
algoritma ini memiliki kedalaman jaringan
yang tinggi. Algoritma CNN juga
merupakan pengembangan dari Multilayer
7−3+0
Stride 1 -> + 1=5
1
7−3+0
Stride 2-> +2=3
1
Proses komputasi ini akan diulang

beberapa kali di setiap filter yang berbeda
sampai menghasilkan beberapa kumpulan
dari activation maps yaitu sebuah gambar
baru.
Gambar 2. Convolutional Layer
2) Pooling Layer (Max Pooling)
Setiap posisi gambar akan
Merupakan proses setelah
menghasilkan sebuah nilai yang
Convulutional Layer. Pooling layer
merupakan perkalian titik antara bagian
akan membagi beberapa nilai output
gambar dengan filter yang digunakan.
dari proses convolution layer menjadi
Berikut adalah ilutrasi proses
matriks yang lebih kecil, dengan
convolutional layer.
mengambil nilai maksimal dari nilai
matriks sebelumnya. Tujuannya adalah
untuk mengurangi dimensi fitur
matriks (Felix, Wijaya, Sutra, Kosasih,
& Sirait, 2020). Proses Pooling Layer
dapat dilihat pada Gambar 4.
Gambar 3. Proses Convolutional Layer
Ukuran spasial dari proses output gambar

di atas, dihitung menggunakan rumus:
𝑁 − 𝐹 + 2𝑃
+1
𝑆
Keterangan: Gambar 4. Proses Pooling Layer
N: Ukuran spasial (tinggi H1 = lebar W1)
dari input yang ada pada gambar. 3) Fully Connected Layer
F: Merupakan ukuran spasial filter Hasil feature map dari kedua layer
P: Suatu parameter di mana parameter ini sebelumnya masih berbentuk
menentukan jumlah pixel, lalu akan multidimensional array oleh sebab itu
ditambahkan pada setiap sisi dari input, diperlukan proses reshape feature map
disebut juga sebagai Zero Padding agar menjadi sebuah vector.
S: Besaran pergeseran filter pada setiap Merupakan layer yang digunakan
proses komputasi disebut juga dengan untuk melakukan transformasi pada
Stride. data dimensi dengan tujuan data
tersebut dapat diklasifikasikan secara
Jika dilihat dari ilustrasi gambar di atas linear. Neuron-neuron yang ada pada
maka perhitungan komputasinya adalah convolutional layer harus
sebagai berikut. ditransformasikan kembali menjadi
• N =7 data array satu dimensi setelah itu
• F =3 dimasukkan ke dalam arsitektur ini.
Proses ini bertujuan agar data yang ada
• P (Padding) =0
tidak kehilangan informasi spasial dan
• S (Stride) = 2 (Didapatkan tidak reversible. Arsitektur ini harus
berdasarkan pergeseran filter)
diimplementasikan pada akhir dilakukan dengan cara mengimpor pada

jaringan. (Ilahiyah & Nilogiri, 2018). header. Pada Gambar 5 dapat dilihat baris
kode untuk mengimpor library tersebut.
4. Hasil dan Pembahasan
A. Data Telur
Data telur yang telah dikumpulkan
dibagi menjadi dua kelas yaitu telur fertil dan
telur infertil. Data kelas pertama yaitu telur
fertil, data ini terkumpul menjadi 111 data
dan data kelas kedua yaitu telur infertil
terkumpul menjadi 138 data. Setelah itu
kedua kelas ini dipecah kembali menjadi
data training atau data latih dan data
validasi. Data training telur fertil dibagi
menjadi 88 data dan data training telur Gambar 5. Mengimpor library Tensorflow dan
infertil dibagi menjadi 110 data. Lalu data Keras
validasi untuk telur fertil dibagi menjadi 23
data dan data validasi telur infertil dibagi Selanjutnya adalah membuat direktori untuk
menjadi 28 data. Data-data berikut dapat menampung data latih dan data validasi dari
dilihat pada tabel 1. dataset telur fertil dan infertil. Setelah
membuat dua direktori data latih dan data
Tabel 1. Pembagian Data Telur Fertil dan validasi selanjutnya dataset telur fertil dan
Infertil infertil dipecah kembali ke dalam direktori
Jenis Data Telur Fertil Telur Infertil latih dan direktori validasi. Proses
Data Asli 111 Data 138 Data pembagian data dapat dilihat pada Gambar 6.
Data Training 88 Data 110 Data
Data Validasi 23 Data 28 Data
B. Penerapan Convolutional Neural Network

Proses penulisan code menggunakan
Platform bernama Google Colab di mana
platform ini dikhususkan untuk keperluan
pengembangan dari Machine Learning.
Sebelum memasuki proses penerapan
Convolutional Neural Network pada
klasifikasi telur fertil dan infertil ada
beberapa library yang digunakan untuk
proses tersebut yaitu library Tensorflow dan
Keras. Tensorflow atau biasa disingkat
dengan TF merupakan suatu library open-
source yang digunakan untuk pengembanan
Machine Learning. TensorFlow akan
membagi sebuah komputasi graf yang telah
ditentukan sebelumnya lalu menjalankannya
secara paralel. Dengan Tensorflow ini,
proses pelatihan model dari jaringan saraf
akan menjadi lebih efisien. Lalu library
Keras, library ini merupalan library yang
dibangun di atas backend TensorFlow yang
berfungsi untuk membuat sebuah image
classifier. Dengan library Keras proses Gambar 6. Proses Pembagian Data Latih
membangun jaringan saraf tiruan untuk dan Validasi
klasifikasi gambar akan menjadi lebih
mudah. Penggunaan dari library tersebut
Setelah proses pembagian data telah selesai, terbagi menjadi 2 kelas. Setelah proses ini
maka selanjutnya adalah mempersiapkan selanjutnya adalah membangun arsitektur
data latih dan data testing yang nantinya dari Convolutional Neural Network. Baris
akan diberikan ke model. Proses ini kode untuk membangun arsitektur
menggunakana Image Data Generator yang Convolutional Neural Network dapat dilihat
telah tersedia di dalam library Tensorflow. pada gambar 9.
Fungsi dari Image Data Generator adalah
melakukan preprocessing data, pelabelan
sampel dan augmentasi gambar. Proses
augmentasi gambar bertujuan untuk
membuat data-data baru dari data yang telah
ada. Pada gambar 7 dapat dilihat proses dari
augmentasi gambar pada setiap dataset.
Gambar 9. Arsitektur Convolutional Neural

Network
1. Convolutional Layer
Dari baris kode pada gambar 9 proses
Convolutional Layer terdapat pada fungsi
Conv2D yang berguna untuk melakukan
konvolusi pada ukuran gambar, di mana
Gambar 7. Proses Augmentasi Gambar
parameter pertama mendefinisikan jumlah
filter, parameter kedua adalah dimensi filter,
Selanjutnya adalah melakukan training pada
parameter ketiga adalah fungsi aktivasi di
model dengan mempersiapkan data latih
mana fungsi aktivasinya menggunakan ReLu,
yang telah dipecah sebelumnya. Proses
lalu pada proses Convolutional Layer pertama
training dapat dilihat pada gambar 8.
terdapat input shape yang artinya bentuk input
dari gambar bertipe RGB dengan ukuran 64x64
pixel dengan jumlah channel adalah 3. resolusi
gambar dari data training. Gambar-gambar
yang terdapat pada dataset memiliki resolusi
gambar 150x150 pixel dan jumlah channel
adalah 3 lalu jumlah filter adalah 3x3.
2. Max Pooling
Max Pooling terdapat setelah proses
konvolusi layer. Proses Max Poolingi terdapat
pada fungsi MaxPooling yang memiliki 1
parameter yaitu jumlah pooling dalam bentuk
matriks di mana dalam kasus ini jumlah polling
Gambar 8. Proses training yang diinisialisasi adalah 2x2 yang berguna
sebagai pixel loss dan precise region. Tujuan
Dapat dilihat bahwa output menampilkan dari proses ini adalah untuk mereduksi resolusi
banyak data dari data latih dan data validasi. gambar sehingga proses pelatihan dari model
Di mana data latih menampilkan 198 gambar akan lebih cepat. Proses konvolusi layer dan
yang terbagi menjadi 2 kelas dan data max pooling dilakukan beberapa kali, dalam
validasi menampilkan 51 gambar yang kasus ini 2 proses tersebut dilakukan sebanyak
4 kali dengan nilai layer yang berbeda. Input

shape hanya dilakukan pada proses konvolusi
di layer pertama yaitu 32.
3. Fully Connected Layer

Setelah dua proses tadi, hasil dari matriks
input masih berbentuk 2 dimensi sehingga
perlu dilakukan perubahan kembali menjadi
matriks 1 dimensi. Proses perubahan ini
menggunakan fungsi Flatten, di mana fungsi
ini berguna untuk meratakan hasil dari feature
Gambar 11. Proses Training
map input yang telah diproses pada 2 layer
sebelumnya. Lalu juga ada fungsi Dense yang
Metode fit ini memiliki 6 paramaeter di mana
berguna untuk menambahkan lagi layer pada
parameter pertama adalah variabel dari
proses fully Connected dengan parameter units
proses Image Data Generator pada data
dan aktifasi yang digunakan. Units
training, parameter kedua adalah jumlah
menandakan jumlah Node yang ada pada
batch yang akan dieksekusi pada setiap
hidden layer dan nilai yang diambil adalah nilai
epochs, parameter ketiga adalah jumlah
jumlah antara Node Input dan Node Ouput.
epochs yang akan dilakukan, parameter
Selanjutnya adalah menginisialisasi output
kedua adalah jumlah validasi pada setiap
layer dengan menggunakan fungsi Dense
epochs dan parameter verbose berguna untuk
dengan parameter pertama adalah jumlah node
menampilkan output dari proses training.
yang menandakan label kelas dari data, karena
Jumlah verbose yang digunakan adalah 2
pada kasus ini hanya terdapat 2 kelas maka
yang artinya output yang ditampilkan hanya
jumlah unit diberikan nilai 1 yang artinya 0
akan menyebutkan jumlah epochs tanpa
adalah kelas pertama dan 1 adalah kelas kedua
menampilkan animasi proses. Lalu setelah
dan aktifasi yang digunakan adalah Sigmoid
fungsi fit, dilakukan evaluasi data loss dan
untuk klasifikasi dua kelas. Setelah arsitektur
accuracy dari proses training menggunakan
CNN telah dibangun, selanjutnya adalah
fungsi evaluate. Hasil dari proses training
melakukan kompilasi dari model tersebut. Pada
dapat dilihat pada tabel 2.
gambar 10 dapat dilihat baris kode yang
melakukan proses kompilasi.
Tabel 2. Hasil Training Model
Jumlah Loss Accuracy Val Loss Val

Epochs Accuracy
1 0.7374 0.5667 0.7000 0.3500
2 0.6768 0.5167 0.6559 0.8000
Gambar 10. Proses Kompilasi Model 3 0.6178 0.6552 0.5510 0.9500
4 0.5328 0.7414 0.3678 1.0000
Pada proses kompilasi terdapat 3 parameter 5 0.4489 0.8833 0.3229 1.0000
yaitu: parameter loss yang berfungsi untuk 6 0.3998 0.9500 0.2659 0.9500
menentukan loss function dengan 7 0.1964 0.9828 0.1313 1.0000
menggunakan library dari keras yaitu 8 0.0887 1.0000 0.0117 1.0000
binary_crossentropy, parameter kedua adalah 9 0.0826 0.9500 0.0011 1.0000
parameter optimasi yang berguna untuk 10 0.0260 0.9828 4.6433e- 1.0000
penentuan algoritma stochastic gradient Test 0.05663638934493065
descent dengan menggunakan library Adam Loss
dari TensorFlow, lalu parameter ketiga adalah Test 0.9803921580314636
parameter metrics yang berfungsi untuk accuracy
penentuan performa dari metrics. Selanjutnya
adalah melakukan proses training pada model Dapat dilihat pada tabel 2, rata-rata loss yang
menggunakan metode fit. Baris kode untuk didapat adalah 0.056 jika dihitung dalam
proses training dapat dilihat pada Gambar 11. persentasi adalah 6% sedangkan jumlah
accuracy yang didapatkan adalah 0.98 jika

dalam persentasi adalah 98%. Gambar 12
adalah visualisasi grafik proses training
model.
Gambar 12. Visualisasi Grafik Proses Training Gambar 14. Proses Klasifikasi Telur Ayam
Infertil
Visualisasi grafik pada gambar 12
menunjukkan bahwa proses training pada Pada gambar 13 dan 14 dapat dilihat bahwa
akurasi mengalami kenaikan pada setiap model yang telah dibuat mampu untuk
epochs dan pada loss mengalami penurunan. mengklasifikasikan antara telur ayam fertil
Selanjutnya pada tahap terakhir adalah dan telur ayam infertile.
melakukan klasifikasi telur ayam fertil dan
infertil. Proses klasifikasi dapat dilihat pada 5. Kesimpulan dan Saran
gambar 13 untuk telur ayam fertil dan 14 Dari hasil penelitian ini dapat disimpulkan
untuk telur ayam infertil. bahwa:
1. Penerapan Algoritma Convolutional
Neural Network dapat diterapkan untuk
mengklasifikasi telur ayam fertil dan telur
ayam infertil
2. Nilai akurasi yang didapatkan pada proses
klasifikasi adalah 98% dan nilai error
sebesar 5%
Sedangkan kekurangan dari penelitian ini
adalah:
1. Data telur fertil yang diambil adalah telur
yang sudah dierami selama 5 sampai 10
hari sehingga klasifikasi telur hanya dapat
dilakukan pada hari-hari tersebut.
2. Dari grafik yang ada menunjukkan bahwa
adanya kemungkinan jika proses training
model mengalami overfitting karena nilai
antara training dan validasi pada beberapa
Gambar 13. Proses Klasifikasi Telur Ayam Fertil epochs terdapat perbedaan yang cukup
signifikan. Hal tersebut disebabkan karena
dataset yang didapatkan tidak cukup
banyak untuk proses pelatihan dan
validasi.
Hasil penelitian ini masih dapat EDUCATORS AND PROFESSIONAL: Journal

dikembangkan kembali dengan of Informatics, 3(1), 43–52.
memperbanyak dataset agar proses Nawawi, M. Z., Rahmad, R., & Syahputra, M. (2015).
training dapat terhindar dari overfitting. Klasifikasi telur fertil dan infertil menggunakan
jaringan saraf tiruan multilayer perceptron
berdasarkan ekstraksi fitur warna dan bentuk.
Referensi Jurnal Teknologi Informasi Dan Komunikasi,
Arini, N. F., Ubaidillah, A., Wibisono, K. A., & Ulum, 4(2), 100–109.
M. (2020). Identifikasi embrio dalam telur Nurdiyah, D., & Muwakhid, I. A. (2016). Perbandingan
berbasis image processing. Jurnal Teknik Elektro Support Vector Machine Dan K-Nearest
Dan Komputasi (ELKOM), 2(1), 11–19. Neighbor Untuk Klasifikasi Telur Fertil dan
Diantoro, A., & Santoso, I. B. (2017). Classification of Infertil Berdasarkan Analisis Texture GLCM.
Egg Fertility on the Image of Kampong Chicken Jurnal Transformatika, 13(2), 29–34.
Egg Using the Frequency Distribution Feature Nurdiyah, D., Santosa, S., & Pramunendar, R. A. (2015).
and Naive Bayes Classifier Algorithm’s. Klasifikasi Citra Telur Fertil dan Infertil Dengan
Proceedings of the International Conference on Analisis Tekstur Gray Level Co-Occurence
Green Technology, 8(1), 446–453. Matrix dan Support Vector Machine. Cyberku
Felix, F., Wijaya, J., Sutra, S. P., Kosasih, P. W., & Journal, 11(2), 116–126.
Sirait, P. (2020). Implementasi Convolutional O’Shea, K., & Nash, R. (2015). An introduction to
Neural Network Untuk Identifikasi Jenis convolutional neural networks. ArXiv Preprint
Tanaman Melalui Daun. Jurnal SIFO Mikroskil, ArXiv:1511.08458.
21(1), 1–10. Prasmatio, R. M., Rahmat, B., & Yuniar, I. (2020).
Ilahiyah, S., & Nilogiri, A. (2018). Implementasi Deep Deteksi dan Pengenalan Ikan Menggunakan
Learning Pada Identifikasi Jenis Tumbuhan Algoritma Convolutional Neural Network.
Berdasarkan Citra Daun Menggunakan Jurnal Informatika Dan Sistem Informasi
Convolutional Neural Network. JUSTINDO (JIFoSI), 1(2), 510–521.
(Jurnal Sistem Dan Teknologi Informasi Putra, I. (2016). Klasifikasi citra menggunakan
Indonesia), 3(2), 49–56. convolutional neural network (CNN) pada
Isnawati, I. (2018). Klasifikasi Citra Candling Telur caltech 101. Institut Teknologi Sepuluh
Ayam Kampung Dengan Metode LVQ. Nopember.
Maimunah, M., & Rokhman, T. (2018). Klasifikasi Wulandari, I., Yasin, H., & Widiharih, T. (2020).
Penurunan Kualitas Telur Ayam Ras Klasifikasi CItra Digital Bumbu dan Rempah
Berdasarkan Warna Kerabang Menggunakan dengan Algoritma Convolutional Neural
Support Vector Machine. INFORMATICS FOR Network. Jurnal Gaussian, 9(3), 273–282.

Penerapan Algoritma Convolutional Neural Network Dalam Klasifikasi Telur Ayam Fertil Dan Infertil Berdasarkan Hasil Candling

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Penerapan Algoritma Convolutional Neural Network Dalam Klasifikasi Telur Ayam Fertil Dan Infertil Berdasarkan Hasil Candling

Uploaded by

Copyright:

Available Formats

Jurnal Informatika Universitas Pamulang ISSN: 2541-1004

Penerbit: Program Studi Teknik Informatika Universitas Pamulang e-ISSN: 2622-4615

Penerapan Algoritma Convolutional Neural Network dalam Klasifikasi Telur

1. Pendahuluan membuat banyak masyarakat Indonesia menyukai

Indonesia. Perbedaan penelitian yang dilakukan R. Perceptron yang dirancang untuk

Proses komputasi ini akan diulang

Gambar 3. Proses Convolutional Layer

Ukuran spasial dari proses output gambar

diimplementasikan pada akhir dilakukan dengan cara mengimpor pada

B. Penerapan Convolutional Neural Network

Gambar 9. Arsitektur Convolutional Neural

4 kali dengan nilai layer yang berbeda. Input

3. Fully Connected Layer

Jumlah Loss Accuracy Val Loss Val

accuracy yang didapatkan adalah 0.98 jika

Hasil penelitian ini masih dapat EDUCATORS AND PROFESSIONAL: Journal

You might also like